大海

对于分类问题，最开始想到的评判标准就是检测准确率（accuracy），即样本检测类别和实际一致的数量占整个样本集的比率。进一步研究发现，还可以用更精细的标准来比较检测性能，学习步骤如下：

1. 正样本和负样本
2. TP/FP/TN/FN
3. TPR/FPR/FDR/PPV/ACC
4. ROC/AUC

学习了PyTorch环境下的Tensorboard使用 - [PyTorch]Tensorboard可视化实现。PyTorch也提供了Tensorboard学习教程 - Visualizing Models, Data, and Training with TensorBoard

下面结合一个完整的训练过程，通过Tensorboard实现可视化

最新版本的PyTorch 1.3内置支持了Tensorboard，实现模型、数据以及训练可视化

之前识别测试最常用的是手写数字数据集MNIST，今天遇到一个新的基准数据集 - Fashion-MNIST

PyTorch通过TorchVision工具包提供统一的数据加载、数据处理的接口，允许自定义类的方式加载数据集，通过DataLoader接口来批量处理

原文地址：Writing Custom Datasets, DataLoaders and Transforms

相关实现：zjykzj/vocdev

简介

PASCAL VOC 2007数据集基于4个大类别，共包含了20个目标类：

• Person: person
• Animal: bird, cat, cow（奶牛）, dog, horse, sheep（绵羊）
• Vehicle（交通工具）: aeroplane（飞机）, bicycle, boat（小船）, bus（公共汽车）, car（轿车）, motorbike（摩托车）, train（火车）
• Indoor（室内）: bottle（瓶子）, chair（椅子）, dining table（餐桌）, potted plant（盆栽植物）, sofa, tv/monitor（电视/显示器）

PASCAL VOC 2007数据集主要用于分类/测试任务，同时也提供了分割和人体部件检测的数据。示例如下：

• 分类/测试示例
• 分割示例
• 人体部件检测示例

原先笔记本自带的是Win10系统，想着日常开发中更常用的是Linux环境，所以重装了Ubuntu。之前用的是16.04版本，用了也快一年了，电脑里面的东西攒的挺多的，而且现在也都快2020了，所以打算重装Ubuntu 18.04版本，小结重装Ubuntu系统后相关环境配置

需要在Jenkins操作完成后上传代码到另一个网站的仓库，所以需要手动设置credential

在好多个工程上都使用了git，随着时间的拉长会发现工程的提交历史和分支管理很混乱，所以希望能够有一套规范的git使用流程来更好的实现版本管理

参考Git三大特色之WorkFlow(工作流)，学习了目前最流行的三种git工作流

• git flow
• github flow
• gitlab flow

原文地址：Introduction to GitLab Flow